Numerical Solution and Accuracy Improvement of Garment Size Matching Problem Based on Optimization Algorithm
Notice bibliographique
Résumé
In the garment production industry, garment cutting size matching plan is an important step in the process, which plays a decisive role in production management and cost control.In this paper, we first model the size matching problem of garment cutting, then use the improved fast particle swarm algorithm (APSO) to optimize the multi-objective optimization solution, and finally verify the performance of the APSO algorithm and the actual effect of garment size matching with cases.Comparing the test results of APSO, PSO and LDWPSO algorithms in the six test functions of Griewank, Ackle, Levy, Rastrign, Schwefel and Sphere, it can be seen that: with the improvement of the problem dimensions, the APSO algorithm used in this paper can still maintain a better optimization accuracy, and the optimization accuracy and stability are significantly improved compared with the PSO and the LDWPSO algorithms.LDWPSO algorithms.In the actual case, the APSO algorithm is more reasonable in the size combination and the number of layers of fabric, for four different types of apparel orders have obtained a superior optimal solution set, cutting production error is far less than the enterprise requirements.At the same time, compared with other optimization methods, the APSO algorithm has better optimization accuracy and solving efficiency, and can obtain a more superior cutting and bed splitting scheme.The algorithm proposed in this paper can effectively optimize the cutting size matching process, reduce fabric waste and production equipment investment, and has good application value and reference significance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».